pso算法改进含MATLAB代码 -

%% No-dealing LOO RBF
% 程序运行完以后，观察一下数据
%QPSO输出
% Validation_err(curCount,Swarmsize) %每一代每一个粒子的验证数据错误率
% Test_err(curCount,Swarmsize) %每一代每一个粒子的测试数据错误率（有可能比验证集小）
% Position{curCount,Swarmsize} %每一代每一个粒子的位置，即所寻找的参数
% BestFitness(curCount,:)=gbest; %每一代得到的验证集全局最小误差，即适应度函数的迭代指标，越小越好
% BestPosition(curCount,:)=Pg; %每一代得到的对应验证集全局最小误差的最优参数
% BestFitness2(curCount,:)=gbest2; %每一代得到的验证集取得全局最小误差所对应的最优参数取得的测试集误差（不一定最小）
% Bestlabel1(curCount,:)=z1_best; %每一代得到的验证集全局最小误差的预测标签
% Bestlabel2(curCount,:)=z2_best; %每一代得到的验证集取得全局最小误差所对应的最优参数取得的测试集误差的预测标签
% best_position=Pg; %迭代完成以后验证集取得最小误差所对应的最优参数值
% best_accuracy=1-gbest; %迭代完成以后验证集取得是识别率最大值
% best_accuracy2=1-gbest2; %迭代完成以后验证集取得最大识别率对应的最优参数取得的测试集识别率
% best_validation_lable=z1_best; %迭代完成以后验证集取得最大识别率的预测标签
% best_test_lable=z2_best; %迭代完成以后验证集取得最大识别率对应的最优参数取得的测试集识别率的预测标签
%用最优参数模型对验证集和测试机进行识别输出
% V_label %QPSO输出最优参数对应的验证集最大识别率的预测标签和验证集原始标签，第二列等于best_validation_lable=z1_best
% T_label %QPSO输出最优参数对应的测试集识别率的预测标签和测试集原始标签，第二列等于best_test_lable=z2_best
% accuracy %QPSO输出最优参数对应的验证集识别率等于best_accuracy=1-gbest
% accuracy2 %QPSO输出最优参数对应的测试集识别率等于best_accuracy2=1-gbest2
%% 载入数据
clear
global X
X=[];
load wound_data_max
% %% 归一化
% X1=mapminmax(wound_data_max',0,1); %要进行一次转置，这样的归一化是对列（也就是每个传感器响应曲线）的归一化，也有的是对每一次采样得到的数据进行归一化。
% X1=X1';
X=wound_data_max;
%%
Swarmsize=20; %种群规模
particlesize=2; %待优化的参数个数
LoopCount=200; %迭代次数
W=rand(Swarmsize,particlesize);
tic %计时开始
for i=1:Swarmsize
lbest(i)=inf;
end % the values of local fitness
gbest=inf; % the valuse of global fitness
Pl=W; % storgae W value to P, the best local eight values
Pg=W(1,:); % the best adaptation weight values (mininum mean square error)
%% The starting of Particle Swarm Optimization Algorithm
for curCount=1:LoopCount
%calculate the adapting value
for i=1:Swarmsize
[err,y,z]= fit_sqpso_m_rbf_LOO_2(W(i,:)); %对应的要优化的函数的名称，本论文中对应的就是fit_sqpso_fda_m_svm，fit_sqpso_kfda_m_svm等六个函数。
%err是错误率
%a是矩阵，包含两列第一列是给出的标签类别信息，第二列是分类器预测出的标签类别信息
Validation_err(curCount,i)=err; %每一次迭代每一个粒子的留一法错误率
Position{curCount,i}=W(i,:); %每一次迭代每一个粒子的位置，即所寻找的参数
J(i)=err; %验证集错误率
zz1(i,:)=y; %第i个粒子时80个样本的实际标签
zz2(i,:)=z; %第i个粒子时80个样本的预测标签
if lbest(i)>J(i)
lbest(i)=J(i); %每个粒子到目前为止的最优值
Pl(i,:)=W(i,:); %Updated local optimal
end
end
% Search global optimal weight
[fitness, index]=sort(J); % arrange in order of size from mininum to maxinum
if gbest>fitness(1)
gbest=fitness(1); %到目前为止的全局最优值
Pg=W(index(1),:); %到目前为止的取得全局最优值的最优参数
z1_best=zz1(index(1),:); %到目前为止的全局最优值对应的80个样本实际标签
z2_best=zz2(index(1),:); %到目前为止的全局最优值对应的80个样本预测标签
end
BestFitness(curCount,:)=gbest; %每一次迭代得到的全局最小误差，即每一代中适应度函数值最小的一个
BestPosition(curCount,:)=Pg; %每一次迭代得到的对应全局最小误差的最优参数
Bestlabel1(curCount,:)=z1_best; %每一次迭代得到的80个样本实际标签
Bestlabel2(curCount,:)=z2_best; %每一次迭代得到的80个样本预测标签
%save('gbest.txt','gbest','Pg','z1_best','z2_best','-ascii','-double')
% Expressions of updated location and speed
for i=1:particlesize
P=0;
for j=1:Swarmsize
P=P+Pl(j,i);
end
Mbest(i)=P/Swarmsize;
end
% Updated particle locations
beta=0.5+0.5*(LoopCount-curCount)/LoopCount;
for i=1:Swarmsize
for j=1:particlesize
fai1=rand;
fai2=rand;
% p=(fai1*Pl(i,j)+fai2*Pg(j))/(fai1+fai2);
p=fai1*Pl(i,j)+(1-fai2)*Pg(j);
u=rand;
if u>0.5
W(i,j)=p+beta*abs(Mbest(j)-W(i,j))*log(1/u);
else
W(i,j)=p-beta*abs(Mbest(j)-W(i,j))*log(1/u);
end
end
end
if curCount==LoopCount
best_position=Pg; %最优参数值
best_accuracy=1-gbest; %全局最大值
best_actual_lable=z1_best;
best_test_lable=z2_best;
% disp('times of iteration is not enough');
end
end
%best_fitness=BestFitness(curCount); %适应度函数最小取值
% plot( BestFitness,'o') %通过曲线显示整个过程fitness函数的走势
% load train;y1=[y;y;y];Fs=5000;wavplay(y1,Fs); %起到提醒的作用，表示程序已经运行完毕
t=toc; %计时结束并且将时间值返回给t
save workspace_qpso_m_rbf_LOO(2)

复制代码